[发明专利]一种基于深度学习的电力系统自然频率特性系数区间预测方法

说明书

本发明公开一种基于深度学习的电力系统自然频率特性系数区间预测方法，步骤为：1)确定自然频率特性系数β的主要影响因素；2)利用DNN模型建立系统功率扰动、备用容量、机组启停方式与自然频率特性系数β间的映射关系；3)建立自然频率特性系数β的区间预测模型；4)获取Bootstrap训练集，并对DNN模型进行训练；5)估计自然频率特性系数β预测误差的方差，利用区间预测模型计算自然频率特性系数β预测结果在给定置信水平下的置信区间。本发明可作为AGC控制策略中频率偏差系数B整定的参考依据。

技术领域

本发明涉及电力系统及其自动化领域，具体是一种基于深度学习的电力系统自然频率特性系数区间预测方法。

背景技术

当今社会，电力是人们生活中不可或缺的一部分。维持电力系统的安全、稳定、经济运行对于整个社会的发展而言至关重要。而电力系统的安全、经济运行则依赖于良好的频率质量，过高或过低的频率都将对整个系统带来严重危害，甚至引发大停电事故。自动发电控制(Automatic Generation Control,AGC)系统是控制互联电网频率的重要手段。在AGC控制过程中，一般通过计算区域控制偏差(Area Control Error,ACE)来确定系统有功调节量。AGC系统包含众多控制模式，不同控制模式具有不同的ACE计算方式。其中，联络线频率偏差控制(Tie-line frequency Bias Control)是目前应用最为广泛的控制模式。该模式的控制目标为将互联电网频率与联络线功率均控制在计划值附近。该模式下的ACE计算中，B系数是确定ACE的关键参数，其整定值决定了系统调整量对联络线功率偏差和频率偏差的偏向程度，将直接影响到频率控制性能的优劣，如式(1)所示。

ACE＝(P_tie,a-P_tie,s)+B(f_a-f_s)＝ΔP_tie+BΔf (1)

式中，P_tie,a、P_tie,s为联络线功率实际值和计划值；f_a、f_s为频率实际值与计划值；B为人为整定的频率偏差系数；ΔP_tie、Δf分别表示联络线功率偏差和频率偏差。

理想情况下，应将B系数整定的与电力系统自然频率特性β系数相等，这样可使得互联电网中每个控制区的AGC仅负责本区域的负荷扰动。当B系数略大于β系数时，系统有功调节量将大于系统功率偏差，可使得系统频率更快地恢复到计划值，但过大的B系数将使有功调节量及相关运行费用大幅增加。当B系数小于β系数时，将引起系统欠调甚至反调，危害系统频率质量。综上可见，B系数的整定原则是使其近似跟踪β系数，可略大于β系数，但应避免其小于β系数的的情形。

目前，我国工业界主要采用固定系数法来整定B系数，即取为年最大负荷的1％～2％，并每年调整一次。然而，β系数受负荷波动、备用容量、机组启停方式等系统运行状态的影响，是非线性时刻变化的。因此，固定系数法难以满足B≈β，将引起系统的超调、欠调甚至反调。为使B系数更好地跟踪β系数，国内外学者提出了分段B系数整定法，包括：以系统频率偏差的大小为分段依据的两段式B系数整定，以保障B＞β；将频率偏差量划分为4个等级，随着频率偏差量的增大，不断增大B系数的整定值，以确保B＞β；根据系统运行方式建立了全天分时段B系数整定模型，使其更好地近似β系数；根据火电、水电机组一次调频死区设置情况而建立的三段式B系数整定方法。上述分段B系数整定法可在一定程度上缓解系统欠调、反调现象，但仍不能较好地满足B≈β。为更好地跟踪β系数的变化，有学者提出时变B系数整定方法，即通过实时在线计算β系数来整定B系数。然而，该方法对数据的实时采集处理以及调度自动化水平提出了高要求。此外，由于β系数的在线计算需要在扰动发生后方可进行，故该方法控制时延较高，不利于频率的快速恢复。对此，有文献提出了β系数点预测方法，可根据系统功率扰动量对β系数的取值进行预测，为B系数的整定提供了参考。然而该方法仅考虑了功率扰动对β系数的影响，且预测误差的存在可能使得Bβ的情况发生。

发明内容